Sie wünschen mehr Informationen oder haben eine Frage? Schreiben Sie uns:
Der Onlinehandel boomt. Immer mehr Kunden informieren sich und kaufen ihre Produkte online. Diese werden bestellt, pünktlich geliefert, ausprobiert und dann - zurückgeschickt. Retouren belasten nicht nur den Deckungsbeitrag oder etwaige Marketingkampagnen, sie schaden auch der Umwelt und führen zu Ressourcenverschwendung oder steigenden CO2-Ausstößen. Und dieser Trend verstärkt sich mit zunehmendem Wachstum und Popularität des Onlinehandels. Jedes Unternehmen, welches im Onlinehandel tätig ist, wird früher oder später mit Retouren in Berührung kommen und solche Fälle in Ihren Systemen abbilden. Für Unternehmen ergeben sich somit verschiedene positive Effekte, sowohl nach außen bezogen auf die Nachhaltigkeit, als auch nach innen im Zusammenhang mit Margenverbesserungen und Prozesskostensenkungen.
Die digitale Transformation und Erfassung von Informationen in ERP- oder anderen IT-Systemen bietet einen wertvollen Informationspool (Big Data) im Unternehmen. Denn jede dokumentierte Retoure enthält Wissen und Informationen, welche mit Techniken der Data Science analysiert, interpretiert und schlussendlich in handfeste Handlungsempfehlungen oder Entscheidungssysteme überführt werden können. Dadurch können zukünftig Retouren reduziert oder vermieden werden.
Wie ein solches Vorgehen aussehen kann und welche Möglichkeiten bestehen, stellen wir im Folgenden vor:
Durch eine Analyse und Bildung von Kundenprofilen lassen sich bereits konkrete Erkenntnisse und Zusammenhänge ermitteln. Die jeweiligen Retouren- und Bestelldatensätze werden aggregiert und mit Hilfe des Data Mining und statistischer Verfahren aufbereitet und analysiert. Ziel ist es, mit Blick auf die Retourenquote, Aussagen über auffällige Gemeinsamkeiten, Unterschiede, Muster oder auch Ausreißer machen zu können. Diese ermöglichen eine erste Eingrenzung und Beschreibung der jeweiligen Zielgruppen und geben Auskunft über die Personas hinter einer Retoure.
Typische Fragestellungen könnten dabei sein:
Während bei der Analyse der Kundenprofile versucht wird, Aussagen und Zusammenhänge über das "Wer" und "Was" zu ermitteln, geht es im Anschluss darum, das "Warum" zu ergründen. Warum werden bestimmte Produkte besonders häufig zurückgegeben und gibt es einen Zusammenhang zwischen den ermittelten Kundengruppen, den Produkten oder anderen Faktoren? Dazu werden, neben den ermittelten Nutzergruppen und deren extrahierten Merkmalen, Daten und Informationen zur Retoure und dem Produkt selber hinzugezogen.
Diese können zum Beispiel sein:
Auf Basis dieses Informationspools wird durch Data Mining und Modelle der Künstlichen Intelligenz ermittelt, welche kausalen Zusammenhänge zwischen den Entitäten "Kundengruppe", "Retoure" und den bekannten (oder auch unbekannten) Merkmalen bestehen. Oft sind es Zusammenhänge und Merkmalskonstellationen, mit welchen intuitiv nicht zu rechnen war!
Die daraus gewonnenen Informationen können bereits Antworten auf folgende Fragestellungen liefern:
Auch wenn die Analyse und extrahierten Erkenntnisse aus der Kunden- und Problemanalyse für sich genommen bereits tiefgehende Erkenntnisse und Handlungsempfehlungen generiert haben, entfaltet sich das ganze Potenzial der Optimierung erst durch eine gemeinsame Betrachtung. Zahlreiche Regeln und Zusammenhänge werden dabei ganzheitlich betrachtet und nach ihrer (statistischen) Signifikanz auf die Retourenquote (die Zielvariable) hin untersucht.
Nach der Aggregation und Auswertung, stehen gewichtete Merkmale und Merkmalskombinationen, sogenannte Merkmalsvektoren, anhand derer verschiedene Wahrscheinlichkeiten für das Eintreten einer Retoure abgelesen werden können.
Ein solcher Merkmalsvektor kann wie folgt aussehen:
Eine sehr vielversprechende Möglichkeit ist es, eine Retoure bereits vor dem Kauf zu verhindern, indem der Kunde ein Produkt kauft, welches ihm funktional und gemäß seinen Wünschen und Bedürfnissen gar keinen Grund zur Reklamation liefert.
So könnte zum Beispiel ein Merkmalsvektor für eine Retourengruppe wie folgt aussehen:
Risikogruppe A (Risiko einer Retoure 66% - hoch):
Aus diesen Informationen lässt sich entnehmen, dass Kunden der Risikogruppe A vermutlich Gelegenheitskäufer sind und sich über die Produkteigenschaften oder Features im Vorfeld nicht immer 100% sicher sind. Es handelt sich somit weniger um Käufer, welche das Produkt bereits im Vorfeld für sich testen oder anschauen konnten. Diese stellen dann häufig erst im Nachgang fest, dass sie mit einem Produkt zufrieden sind oder nicht. Gleiches gilt für Produkte, deren Eigenschaften häufig sehr subjektiv zu beurteilen sind, wie die Verarbeitung und das Gefühl von Stoffen.
Um diesem Problem zu begegnen, können so genannte Schwarm-Empfehlungen genutzt werden. Bei diesen werden einem Kunden noch während des Kaufprozesses unter oder neben einer Produktanzeige eine relative Produktzufriedenheit und Empfehlungen angezeigt.
Das kann man sich wie folgt vorstellen:
Ein Bestandskunde loggt sich mit seinem Kundenkonto ein und schaut sich einen „Akkuschrauber“ an. Auf Basis seines Profils und seiner Bestellmerkmale aus der Vergangenheit, wird ein Abgleich mit anderen, aber ähnlichen Nutzerprofilen gemacht und es wird berechnet, wie viel Prozent der jeweils anderen Kunden mit diesem Produkt zufrieden waren. Genauso können dem Kunden Produkte angezeigt werden, welche auf Basis des eigenen Kunden- oder Suchprofils prozentual am wahrscheinlichsten passen würden.
Durch dieses Vorgehen können spätere Retouren bereits im Auswahlprozess proaktiv verhindert und darüber hinaus die Kundenzufriedenheit gesteigert werden.
Eine weitere Möglichkeit Retouren bereits proaktiv zu verhindern, ist die Nutzung von individuellen Marketingmaßnahmen. Dabei werden auf der Basis der ermittelten Nutzercluster und deren Risikoprofilen und Merkmalen, kundenspezifische Maßnahmen geschaltet, um die Kundenbindung zu stärken oder umgekehrt, den Missbrauch von Bonus- und Vorteilssystemen zu beschränken.
Solche individuellen Maßnahmen können sein:
